基于方差比特征的图像模糊区域检测与模糊核计算方法技术

本发明专利技术涉及一种基于方差比特征的图像模糊区域检测与模糊核计算方法，该方法通过训练SVM分类器来对图像的模糊区域与清晰区域进行分类，从而检测出模糊区域，并通过方差比进行模糊核的匹配，来对模糊区域的模糊核进行计算。本发明专利技术能实现更好的模糊区域检测和模糊核计算。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，涉及在图像去模糊过程中的模糊区域检测与模糊核 计算的方法。
技术介绍
自计算机技术的兴起以来，数字图像技术被广泛地应用到军事、民生、教育等各个 领域。然而在日常的生活中，由于天气、光线、器械等各种各样的原因，会使得我们拍摄下来 的图片变得模糊。模糊图像的出现，会使得我们不能精确地分辨图像中的物体，严重的情况 下会使我们丢失某些重要的信息。模糊图像根据其形成的原因呈现不同的形态。比如相机 没有聚焦造成的失焦模糊，又比如在光线不足的情况下，场景中出现物体运动所产生的运 动模糊等。 图像去模糊技术是指通过算法将已经模糊的图像去除模糊的成分，使图像恢复到 一个可以接受的清晰程度。一般来说，模糊形成的过程认为是清晰图像和模糊核进行了卷 积，再加上噪声的影响，模糊形成模型如下式所示： 其中y (η)表示模糊图像，x(n)表示清晰图像，h(n)表示模糊核，ζ (η)表示噪声参 数。 而去模糊的过程就是根据已有的模糊图像，对模糊核进行估计，再利用估计好的 模糊核，与模糊图像进行去卷积的过程。去模糊的成功与否取决于是否精确地定义了模糊 核。由于模糊图像是由多种因素造成的，根据模糊图像对模糊因子进行估计难度很大。因 此，现有的方法是将模糊图像进行分类，根据其主要的模糊形成因素将其归为失焦模糊图 像，运动模糊图像等。再分别根据这些模糊类型的特点进行特定的模糊因子估计。此外，现实中的模糊图像大多数是部分区域的模糊，其模糊区域的检测也是去模 糊工作中至关重要的一步。 从去模糊的形式上来分，又可将其分为盲去模糊和非盲去模糊。非盲去模糊，顾名 思义就是在已知模糊核的情况下对图像进行的去模糊处理。在这种已知模糊核是什么形式 的情况下，去模糊运算实际上就转变成了普通的去卷积问题。很多经典的算法都能解决这 一类问题。 然而，大多数情况下，我们只有一张模糊图像，来对其进行去模糊处理，这一类问 题就是盲去模糊，是现实生活中去模糊的主要形式。盲去模糊算法需要先对模糊核进行估 计，这也是盲去模糊的核心工作，在得到模糊核之后，再对图像进行非盲去模糊的处理。 对于盲去模糊问题，贝叶斯框架是解决该问题历史最悠久的方法，其在假设图像 先验的条件下，根据最大后验概率来求模糊图像对应的清晰图像，已知的先验主要有稀疏 梯度先验，稀疏小波先验，最小全局方差先验，双边边界规范化等。 根据贝叶斯最大后验概率估计理论，可以将图像盲去模糊通常分为两大类:一类 是对模糊核和原始清晰图像同时作估计，将两者的估计结果交替迭代最终求得清晰图像， 即核-图像联合最大后验概率;另一类则是先估计出模糊核，然后利用已经估计的模糊核 由经典的图像复原算法估计出原始清晰图像，即核最大后验概率。 现实中的绝大多数图像去模糊问题都是盲去模糊，即模糊核的值是未知的，需要 我们自己来估计。盲去模糊算法一般分为两个步骤:估计模糊核和去模糊。其中估计模糊核 是最为重要也是最难的。模糊核的估计算法中，有以下几类经典算法。 (1)贝叶斯框架方法 贝叶斯框架方法是利用最为普遍的一种进行盲去卷积的方法。这个方式是在具有 一定先验条件的情况下，根据先验知识求图像的最大后验概率来对模糊图像进行恢复。现 在，利用最为广泛的先验知识有梯度分布先验、系数小波先验和最小全局方差先验等。此类 算法当图像满足先验条件时效果较好。 ⑵联合MAP 这种方法的思路是将模糊核估计和清晰图像恢复同时进行，相互作用。这样做的 好处是可以避免振铃效应。该类算法缺点是复杂度较高，运算量过大。 (3)核MAP 此类算法依据的是自然场景图像的梯度分布，呈现出重尾分布这一先验。此算法 设置模糊核尺度的上界并且设置模糊核方向的预估。首先估计得到模糊核，估计步骤是由 粗到细多尺度进行的。然后利用估计得到的模糊核来估计隐含的清晰图像。这种算法虽然 能得到比较好的去模糊效果，但是需要人为地标定矩形块和设置模糊核方向。
技术实现思路
本专利技术的目的是克服现有技术的不足，根据方差比，提出新的特征，实现更好的模 糊区域检测和模糊核计算方法。本专利技术的技术方案如下： -种，该方法通过训练 SVM分类器来对图像的模糊区域与清晰区域进行分类，从而检测出模糊区域，并通过方差比 进行模糊核的匹配，来对模糊区域的模糊核进行计算，其中，方差比特征的提取按下列步骤 进行： 1)以x为清晰图像I(n)的梯度，其中x遵循零均值分布4?:]-iV(0，g) ; 2)以ft为正交滤波器： ft=ff X exp(-j< ω t,n>), t = 1, . . . ,r 其中W是窗函数，cot代表频率，r是滤波器的数量； 3)如果清晰图像I(n)被模糊核1^模糊，那么以ft对该模糊图像的梯度图x进行 滤波，得到yt: yt =x*(kn*ft) ,t = l, . . . ,r 其中，*代表卷积符号，并且忽略噪声分量;此时，yt仍符合零均值分布，但方差 有所改变，用^表示yt 的方差； 4)当图像块清晰时，yt简化为：此时，〇kt2 = l，yt的方差等于χ的方差，即： σ;, = σ; 5)综上，有以下两种情况： 当图像被kn模糊时，等于与〇kt2的乘积;当图像清晰时，(67^ = σ】:； 以此作为区分模糊区域与清晰区域的依据，并提出方差比特征； 6)此特征记为zt: 那么，在图像特定区域R(n)中提取r维向量，得到特征向量zk(n): zk(n) = 。 本专利技术具有以下特点： 1、程序简单，易于实现。 2、提出一种新的可用于区分模糊区域和清晰区域的特征，并实现图像模糊区域的 检测。 3、借鉴了 SVM的权重累加的思路，是对分类方式的一种改进。 4、基于提出的特征，设计一种新的模糊核匹配算法，可计算出图像模糊区域的模 糊核。【附图说明】 图1模糊区域检测流程图 图2模糊区域检测结果，每行从左到右，是原图像、理论上的模糊区域(黑色部分）、 现有的算法检测的结果、我们的算法检测的结果。共做了三组图像，证明我们算法的有效性 与优越性。 图3模糊核估计流程图 图4清晰图像块的crj 图5模糊的图像块对图5所示的图像块，我们模糊长度5，10，15，20，25，30，35，40，45的运动模糊核ki 与其卷积，并依次按本专利的匹配算法判断实际模糊核。实验结果证明，此算法可以准确匹 配模糊核。如图5，nzkli~nzk9i代表归一化后的ki的。最右下角的图中，值最小的点 对应的模糊核即为我们的算法匹配得到的结果。 图6实际模糊核为kl，本专利技术算法输出为kl，匹配成功 图7实际模糊核为k2,本专利技术算法输出为k2,匹配成功 图8实际模糊核为k8,本专利技术算法输出为k8,匹配成功 图9实际模糊核为k9,本专利技术算法输出为k9,匹配成功【具体实施方式】本专利技术基于提出的方差比特征，通过训练SVM分类器来区分图像的模糊区域与清 晰区域，从而进行模糊区域检测。并利用方差比进行模糊核的匹配，计算出模糊区域的模糊 核。在此过程中，主要包括两部分，即模糊区域分类和模糊核计算，【具体实施方式】如下： 1)SVM分类器进行模糊区域检测 11)选取训练图像集，一部分是被模糊核k模糊的图像，一部分是清晰图像。 12)对训练图像分块，并提取其方差比特征向量zk。 本文档来自技高网...

【技术保护点】
一种基于方差比特征的图像模糊区域检测与模糊核计算方法，该方法通过训练SVM分类器来对图像的模糊区域与清晰区域进行分类，从而检测出模糊区域，并通过方差比进行模糊核的匹配，来对模糊区域的模糊核进行计算，其中，方差比特征的提取按下列步骤进行：1)以x[n]为清晰图像I(n)的梯度，其中x[n]遵循零均值分布2)以ft为正交滤波器：ft[n]＝W[n]×exp(‑j<ωt,n>),t＝1,...,r其中W[n]是窗函数，ωt代表频率，r是滤波器的数量；3)如果清晰图像I(n)被模糊核kn模糊，那么以ft对该模糊图像的梯度图x[n]进行滤波，得到yt[n]：yt[n]＝x[n]*(kn*ft),t＝1,...,r其中，*代表卷积符号，并且忽略噪声分量；此时，yt[n]仍符合零均值分布，但方差有所改变，用表示yt[n]的方差；4)当图像块清晰时，yt[n]简化为：yt[n]=x[n]⊗ft,t=1,...,r]]>此时，σkt2＝1，yt[n]的方差等于x[n]的方差，即：σyi2=σx2]]>5)综上，有以下两种情况：当图像被kn模糊时，等于与σkt2的乘积；当图像清晰时，以此作为区分模糊区域与清晰区域的依据，并提出方差比特征；6)此特征记为zt：zt=σyt2/σkt2,t=1,...,r]]>那么，在图像特定区域R(n)中提取r维向量，得到特征向量zk(n)：zk(n)＝[z1 z2 … zr]。...

【技术特征摘要】

【专利技术属性】
技术研发人员：周俊，庞彦伟，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12